KLASIFIKASI PERKEMBANGBIAKAN PLASMODIUM PENYEBAB PENYAKIT MALARIA DALAM SEL DARAH MERAH MANUSIA DENGAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DI KOTA JAYAPURA-PAPUA
ISSN cetak 2087-1716
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
KLASIFIKASI PERKEMBANGBIAKAN PLASMODIUM
PENYEBAB PENYAKIT MALARIA DALAM SEL DARAH MERAH
MANUSIA DENGAN MENGGUNAKAN SUPPORT VECTOR MACHINE
(SVM) DI KOTA JAYAPURA-PAPUA
Abd. Rachman Dayat1, Nur Ain Banyal2
abd.rachman.dayat@amikumelmandiri.ac.id, 2nur.ain@amikumelmandiri.ac.id
1,2
AMIK Umel Mandiri Jayapura
1
Abstrak
Malaria adalah penyakit yang ditularkan oleh nyamuk dari manusia dan hewan lain yang
disebabkan oleh protozoa parasite (sekelompok mikroorganisme bersel tunggal) dalam tipe
Plasmodium. Dalam kasus yang parah dapat menyebabkan kulit kuning, kejang, koma, atau kematian.
Penelitian ini melakukan klasifikasi perkembangbiakan plasmodium penyebab penyakit malaria untuk
membantu proses diagnosa klinis dan analisa secara dini jenis plasmodium falciparum dengan cepat
dan akurat yang meliputi interpretasi secara otomatis dari citra warna dermatoskopis. Dengan
menerapkan metode Support Vector Machine (SVM) melakukan segmentasi terhadap ciri dan tekstur
pada citra darah merah manusia untuk memisahkan sel yang dikategorikan Plasmodium Falciparum
untuk diekstraksi cirinya. Penelitian dilakukan di Rumah Sakit-Rumah Sakit yang ada di Kota Jayapura
Propinsi Papua. Tujuan dari penelitian ini adalah untuk menganalisa perkembangbiakan plasmodium
sehingga diharapkan dapat mendiagnosa sejak dini plasmodium falciparum, secara cepat dan hasil
penelitian menunjukkan akurasi terbaik adalah 73,33 % dengan menggunakan 120 citra data latih dan
30 citra data uji.
Kata kunci: klasifikasi malaria, support vector machinie (svm), plasmodium falciparum
1. Pendahuluan
Sebagai salah satu masalah kesehatan, malaria menjadi penyebab kematian utama pada bayi,
anak balita, dan ibu hamil. Lebih dari 90 negara dengan populasi penderita 40 persen penduduk dunia
menderita penyakit ini. Bahkan Organisasi Kesehatan Dunia (WHO) pada Desember 2013 mencatat
terdapat 207 juta kasus malaria di tahun 2012 dengan kasus kematian sebanyak 627 ribu yang di
dominasi anak-anak. Sementara di Indonesia sebanyak 424 dari 579 kabupaten/ kota menjadi daerah
endemik malaria, dengan persentase penduduk beresiko tertular sebesar 42,42 persen [1]. Di Jayapura
khususnya, hingga kini pemeriksaan standar untuk diagnosis malaria aktif masih menggunakan alat
mikroskopis. Meski memiliki kepekaan yang baik dan dapat mengidentifikasi jenis parasit dan
pengaruhnya, namun pemeriksaan secara mikroskopis mengharuskan adanya tenaga ahli mikroskopik
terlatih dan memakan waktu yang relatif lama. Di sisi lain, situasi serta kondisi sebagian besar
laboratorium untuk daerah terpencil di Indonesia hingga kini belum memadai. Hal ini tentu berimbas
pada reliabilitas hasil pemeriksaan yang masih rendah. Karena itu, menurutnya, diagnosis yang cepat
bagi penderita yang diduga mengidap malaria menjadi tantangan guna mendapatkan uji/metode
laboratorik yang tepat, cepat, sensitif dan mudah dilakukan. Yaitu diagnosis tepat terkait akurasi data
untuk menentukan pengobatan dan penatalaksanaan yang tepat dan benar, evaluasi pengobatan dan
resistensi antimalaria sangat diperlukan.
Pengolahan citra dapat digunakan untuk membantu proses pendiagnosaan penyakit malaria dalam
sel darah merah manusia [2], sekarang ini yang dilakukan dokter untuk mendiagnosa malaria dalam sel
darah merah yaitu menggunakan dua (2) teknik pencitraan yaitu makroskopik dan dermatoskopik.
Makroskopik merupakan teknik pencitraan menggunakan alat bantu kaca pembesar atau loop, dan
teknik ini memiliki tingkat keakurasi sebesar 65% hingga 80%, sedangkan teknik dermatoskopik adalah
sebuah teknik pencitraan non-invasive menggunakan minyak immersion. Untuk dapat melihat adanya
parasit di dalam darah penderita, perlu dibuat sediaan darah malaria (SD). Selanjutnya diwarnai dengan
pewarnaan giemsa. SD ditetesi minyak imersi dan diperiksa di bawah mikroskop menggunakan lensa
objektif 100x. Jika ditemukan parasit pada pemeriksaan, penderita dinyatakan positif malaria. Citra yang
dihasilkan dengan teknik dermatoskopik memberikan gambaran yang lebih detail dibandingkan dengan
citra yang dihasilkan dari teknik makroskopik [3], [4]. Tingkat akurasi dari dermatoskopik lebih tinggi dari
pada makroskopik yaitu 75% hingga 97% [5], [6].
Klasifikasi citra merupakan salah satu tahap yang paling penting pada perkembangbiakan
plasmodium penyebab penyakit malaria dalam sel darah merah manusia. Penelitian ini meng-
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 28
ISSN cetak 2087-1716
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
implementasikan metode Support Vector Machine (SVM) untuk tahap klasifikasi pada sistem
berdasarkan ciri warna. Model klasifikasi ini digunakan untuk mengklasifikasikan citra [7], [8], [9].
2. Metode
2.1. Multi Class SVM
SVM saat pertama kali diperkenalkan oleh Vapnik, hanya dapat mengklasifikasikan data ke dalam
dua kelas (klasifikasi biner). Namun, penelitian lebih lanjut untuk mengembangkan SVM sehingga bisa
mengklasifikasi data yang memiliki lebih dari dua kelas, terus dilakukan. Ada dua pilihan untuk
mengimplementasikan multi class SVM yaitu dengan menggabungkan beberapa SVM biner atau
menggabungkan semua data yang terdiri dari beberapa kelas ke dalam sebuah bentuk permasalah
optimasi. Namun, pada pendekatan yang kedua permasalahan optimasi yang harus diselesaikan jauh
lebih rumit. Berikut ini adalah metode yang umum digunakan untuk mengimplementasikan multi class
SVM dengan pendekatan yang pertama yaitu, Metode ”one-against-all”.
Dengan menggunakan metode ini, dibangun k buah model SVM biner (k adalah jumlah kelas).
Setiap model klasifikasi ke-i dilatih dengan menggunakan keseluruhan data, untuk mencari solusi
permasalahan. Contohnya, terdapat permasalahan klasifikasi dengan 4 buah kelas. Untuk pelatihan
digunakan 4 buah SVM biner seperti pada tabel 1 dan penggunannya dalam mengklasifikasi data baru
dapat dilihat pada persamaan berikut:.
Tabel 1. Contoh 4 SVM biner dengan metode One-against-all
yi = 1
Kelas 1
Kelas 2
Kelas 3
Kelas 4
yi = -1
Bukan Kelas 1
Bukan Kelas 2
Bukan Kelas 3
Bukan Kelas 4
Hipotesis
f 1(x) = (w1)x + b1
f 2(x) = (w2)x + b2
f 3(x) = (w3)x + b3
f 4(x) = (w4)x + b4
Gambar 1. Contoh klasifikasi dengan metode One-against-all
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 29
ISSN cetak 2087-1716
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
Prosedur penelitian digambarkan dalam beberapa tahap seperti berikut:
-
Akusisi Citra
Gambar asli plasmodium falciparum
Pre-processing
Ekstrasi Ciri
-
Menggunakan metode SVM
Plasmodium Falciparum
Terdeteksi sesuai tingkat stadiumnya
Gambar 2. Tahapan Penelitian
2.2. Akusisi Citra
Tahap awal dimana sampel darah diambil dari prepared melalui mikroskop dalam bentuk image
(gambar) Plasmodium falciparum yang terinfeksi malaria.
Gambar 3. Proses Akusisi Citra dari prepared
2.3. Pre-processing
Proses preprocessing sebelum proses klasifikasi melalui 2 tahapan, yaitu segmentasi warna dan
ekstraksi ciri. Segmentasi dilakukan untuk memisahkan unsur warna berdasarkan intensitas warna dan
pada tahapan ini akan dilakukan konversi sampel citra RGB ke citra grayscale. Pada Matlab kita
menggunakan perintah “dst=rgb2gray(src), dst itu adalah variabel citra keluaran dari citra konversi ke
gray dan “src” merupakan variable citra masukan dalam hal ini adalah citra RGB. Setelah citra RGB
dikonversi ke citra grayscale kemudian dilakukan resize. Pada Matlab digunakan
perintah”dst=imresize(x y) dimana x dan y adalah 150 x 150 ukuran resize. Untuk pempercepat proses
trainning reshape(1 x 150 x 150) hal ini berarti matriks 150 x 150 diubah kedalam matriks 1 x 22500.
Prosesnya RGB dapat dilihat pada gambar dibawah ini:
Gambar 4. Proses konversi menjadi grayscale
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 30
ISSN cetak 2087-1716
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
2.4. Ekstraksi Ciri
Menggunakan image preprocessing citra dengan median filter,ekstraksi fitur berdasarkan tekstur.
Klasifikasi jenis plasmodium penyebab penyakit malaria dengan metode Support Vector Machine (SVM)
agar dapat mendeteksi jenis plasmodium.
Gambar 5. Thresholding untuk identifikasi Parasit
3.
Hasil dan Pembahasan
Penentuan kelas untuk klasifikasi diambil dari nama file image training, kemudian untuk klasifikasi
dengan menggunakan multi class SVM. Sistem klasifikasi diuji dengan perbandingan 50%:50%,
60%:40%, 70%:40%, dan 80%:20%. Berdasarkan total citra untuk data latih sebanyak 120 dan untuk
data uji sebanyak 30 mendapatkan tingkat akurasi tertinggi 73,33%. Ini berarti bahwa semakin banyak
jumlah total citra untuk sampel data latih akan berpengaruh dan meningkatkan tingkat akurasi deteksi
stadium dari Plasmodium Falciparum.
Tabel 2 Nilai Akurasi
No
1
2
3
4
Data Sampel
Latih
Uji
50 %
50 %
60 %
40 %
70 %
30 %
80 %
20 %
Tertinggi
66,66 %
70,00 %
71,11 %
73,33 %
Akurasi
Terendah
53,33 %
58,33 %
57,77 %
60,00 %
Sistem klasifikasi diuji dengan perbandingan 80%:20% menghasilkan tingkat akurasi terbaik
dapat dilihat pada Tabel 2. berdasarkan total citra untuk data latih sebanyak 120 dan untuk data uji
sebanyak 30 mendapatkan tingkat akurasi tertinggi 73,33%. Ini berarti bahwa semakin banyak jumlah
total citra untuk sampel data latih akan berpengaruh dan meningkatkan tingkat akurasi deteksi stadium
dari Plasmodium Falciparum.
Dari hasil tersebut belum mencukupi 100%. Karena ada beberapa faktor yang mempengaruhi
hasil klasifikasi dimana dari hasil pengujian yang dilakukan terdapat adanya kesalahan deteksi
disebabkan oleh adanya faktor pewarnaan pada citra prepared yang kurang bagus, sehingga sistem
tidak meggenali parasit dari plasmodium falciparum pada saat diuji.
4.
Kesimpulan
Berdasarkan hasil penelitian dan pengujian sistem yang dilakukan, maka penulis dapat menarik
kesimpulan yaitu Hasil deteksi dari plasmodium falciparum dengan jumlah data sampel keseluruhan
sebanyak 150 citra plasmodium falciparum yang terdiri dari 120 citra latih dan 30 citra uji dengan
perbandingan 80% : 20%, dengan SVM menunjukkan tingkat akurasi sebesar 73,33%.
Dari hasil penelitian dengan nilai tingkat akurasi sebesar 73,33% dengan perbandingan
presentasi sampel data dan uji yaitu: 50%:50%, 60%:40%, 70%:30%, dan 80%:20% belum
mendapatkan hasil yang maksimal atau belum mencapai 100% karena pada penelitian ini masih dalam
tahapan analisis. Sehingga masih ada penelitian lanjutan dengan menerapkan teknologi terapan untuk
pemeriksaan plasmodium falciparum dalam menentukan stadiumnya dengan cepat dan akurat.
5. Terima Kasih
Terima kasih kepada Direktorat Riset dan Pengabdian kepada Masyarakat (DRPM) Direktorat
Jenderal Penguatan Riset dan Pengembangan (DPRP) Kementrian Riset, Teknologi dan Pendidikan
Tinggi (Kemenristek DIKTI) Republik Indonesia yang telah memberikan dana hibah Penelitian Dosen
Pemula Tahun Anggaran 2017.
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 31
ISSN cetak 2087-1716
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
Daftar Pustaka
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
Widoyono, 2010. ”Penyakit Tropis: Epidemiologi, Penularan, Pencegahan dan
Pemberantasannya”. Penerbit Erlangga. Halaman 13-21.
Direktorat pengendalian penyakit bersumber bintang, Direktorat Jenderal PP dan PL Kementrian
Kesehatan RI, 2011. Pedoman Teknis Pemeriksaan Parasit Malaria. Penerbit Bakti Husada.
Departemen Parasitologi Medis US Namru-2 Jakarta, 2006. “Buku Panduan Pelatihan Diagnosis
Mikroskopi Malaria”.
Iis Hamsir Ayub, Adhi Susanto, and Litasari, 2008. Classfication of Plasmodium Falciparum using
Learning Vector Quantization Neural Network. BME Day 2008, Surabaya : 17
NA, Banyal dan AR, Dayat. 2017. Analisis Perkembangbiakan Plasmodium Penyebab Penyakit
Malaria dalam Sel Darah Merah Manusia dengan Menggunakan Support Vector Machine (SVM)
di Kota Jayapura. SEMNASTIKOM. 03 November 2017. Makassar. Hal. 221-225.
Nugroho, Anto Satriyo, 2008, Support Vector Machine, PTI & Komunikasi BPP Teknologi,
Bandung.
T. Suyoto, Edy Mulyanto, Vincent Suhartono, Oky Dwi Nurhayati, Wijanarto, 2009, Teori
Pengolahan Citra Digital, Edisi pertama, Penerbit Andi Offset, Yogyakarta.
Wahyudi Setiawan, 2012. “Sistem Deteksi Retinopati Diabetik Menggunakan Support Vector
Machine”.
Juni Prianto L.A., Tjahaya. P. U., Darwanto. Atlas Parasitologi Kedokteran. Penerbit PT Gramedia
Pustaka utama.
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 32
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
KLASIFIKASI PERKEMBANGBIAKAN PLASMODIUM
PENYEBAB PENYAKIT MALARIA DALAM SEL DARAH MERAH
MANUSIA DENGAN MENGGUNAKAN SUPPORT VECTOR MACHINE
(SVM) DI KOTA JAYAPURA-PAPUA
Abd. Rachman Dayat1, Nur Ain Banyal2
abd.rachman.dayat@amikumelmandiri.ac.id, 2nur.ain@amikumelmandiri.ac.id
1,2
AMIK Umel Mandiri Jayapura
1
Abstrak
Malaria adalah penyakit yang ditularkan oleh nyamuk dari manusia dan hewan lain yang
disebabkan oleh protozoa parasite (sekelompok mikroorganisme bersel tunggal) dalam tipe
Plasmodium. Dalam kasus yang parah dapat menyebabkan kulit kuning, kejang, koma, atau kematian.
Penelitian ini melakukan klasifikasi perkembangbiakan plasmodium penyebab penyakit malaria untuk
membantu proses diagnosa klinis dan analisa secara dini jenis plasmodium falciparum dengan cepat
dan akurat yang meliputi interpretasi secara otomatis dari citra warna dermatoskopis. Dengan
menerapkan metode Support Vector Machine (SVM) melakukan segmentasi terhadap ciri dan tekstur
pada citra darah merah manusia untuk memisahkan sel yang dikategorikan Plasmodium Falciparum
untuk diekstraksi cirinya. Penelitian dilakukan di Rumah Sakit-Rumah Sakit yang ada di Kota Jayapura
Propinsi Papua. Tujuan dari penelitian ini adalah untuk menganalisa perkembangbiakan plasmodium
sehingga diharapkan dapat mendiagnosa sejak dini plasmodium falciparum, secara cepat dan hasil
penelitian menunjukkan akurasi terbaik adalah 73,33 % dengan menggunakan 120 citra data latih dan
30 citra data uji.
Kata kunci: klasifikasi malaria, support vector machinie (svm), plasmodium falciparum
1. Pendahuluan
Sebagai salah satu masalah kesehatan, malaria menjadi penyebab kematian utama pada bayi,
anak balita, dan ibu hamil. Lebih dari 90 negara dengan populasi penderita 40 persen penduduk dunia
menderita penyakit ini. Bahkan Organisasi Kesehatan Dunia (WHO) pada Desember 2013 mencatat
terdapat 207 juta kasus malaria di tahun 2012 dengan kasus kematian sebanyak 627 ribu yang di
dominasi anak-anak. Sementara di Indonesia sebanyak 424 dari 579 kabupaten/ kota menjadi daerah
endemik malaria, dengan persentase penduduk beresiko tertular sebesar 42,42 persen [1]. Di Jayapura
khususnya, hingga kini pemeriksaan standar untuk diagnosis malaria aktif masih menggunakan alat
mikroskopis. Meski memiliki kepekaan yang baik dan dapat mengidentifikasi jenis parasit dan
pengaruhnya, namun pemeriksaan secara mikroskopis mengharuskan adanya tenaga ahli mikroskopik
terlatih dan memakan waktu yang relatif lama. Di sisi lain, situasi serta kondisi sebagian besar
laboratorium untuk daerah terpencil di Indonesia hingga kini belum memadai. Hal ini tentu berimbas
pada reliabilitas hasil pemeriksaan yang masih rendah. Karena itu, menurutnya, diagnosis yang cepat
bagi penderita yang diduga mengidap malaria menjadi tantangan guna mendapatkan uji/metode
laboratorik yang tepat, cepat, sensitif dan mudah dilakukan. Yaitu diagnosis tepat terkait akurasi data
untuk menentukan pengobatan dan penatalaksanaan yang tepat dan benar, evaluasi pengobatan dan
resistensi antimalaria sangat diperlukan.
Pengolahan citra dapat digunakan untuk membantu proses pendiagnosaan penyakit malaria dalam
sel darah merah manusia [2], sekarang ini yang dilakukan dokter untuk mendiagnosa malaria dalam sel
darah merah yaitu menggunakan dua (2) teknik pencitraan yaitu makroskopik dan dermatoskopik.
Makroskopik merupakan teknik pencitraan menggunakan alat bantu kaca pembesar atau loop, dan
teknik ini memiliki tingkat keakurasi sebesar 65% hingga 80%, sedangkan teknik dermatoskopik adalah
sebuah teknik pencitraan non-invasive menggunakan minyak immersion. Untuk dapat melihat adanya
parasit di dalam darah penderita, perlu dibuat sediaan darah malaria (SD). Selanjutnya diwarnai dengan
pewarnaan giemsa. SD ditetesi minyak imersi dan diperiksa di bawah mikroskop menggunakan lensa
objektif 100x. Jika ditemukan parasit pada pemeriksaan, penderita dinyatakan positif malaria. Citra yang
dihasilkan dengan teknik dermatoskopik memberikan gambaran yang lebih detail dibandingkan dengan
citra yang dihasilkan dari teknik makroskopik [3], [4]. Tingkat akurasi dari dermatoskopik lebih tinggi dari
pada makroskopik yaitu 75% hingga 97% [5], [6].
Klasifikasi citra merupakan salah satu tahap yang paling penting pada perkembangbiakan
plasmodium penyebab penyakit malaria dalam sel darah merah manusia. Penelitian ini meng-
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 28
ISSN cetak 2087-1716
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
implementasikan metode Support Vector Machine (SVM) untuk tahap klasifikasi pada sistem
berdasarkan ciri warna. Model klasifikasi ini digunakan untuk mengklasifikasikan citra [7], [8], [9].
2. Metode
2.1. Multi Class SVM
SVM saat pertama kali diperkenalkan oleh Vapnik, hanya dapat mengklasifikasikan data ke dalam
dua kelas (klasifikasi biner). Namun, penelitian lebih lanjut untuk mengembangkan SVM sehingga bisa
mengklasifikasi data yang memiliki lebih dari dua kelas, terus dilakukan. Ada dua pilihan untuk
mengimplementasikan multi class SVM yaitu dengan menggabungkan beberapa SVM biner atau
menggabungkan semua data yang terdiri dari beberapa kelas ke dalam sebuah bentuk permasalah
optimasi. Namun, pada pendekatan yang kedua permasalahan optimasi yang harus diselesaikan jauh
lebih rumit. Berikut ini adalah metode yang umum digunakan untuk mengimplementasikan multi class
SVM dengan pendekatan yang pertama yaitu, Metode ”one-against-all”.
Dengan menggunakan metode ini, dibangun k buah model SVM biner (k adalah jumlah kelas).
Setiap model klasifikasi ke-i dilatih dengan menggunakan keseluruhan data, untuk mencari solusi
permasalahan. Contohnya, terdapat permasalahan klasifikasi dengan 4 buah kelas. Untuk pelatihan
digunakan 4 buah SVM biner seperti pada tabel 1 dan penggunannya dalam mengklasifikasi data baru
dapat dilihat pada persamaan berikut:.
Tabel 1. Contoh 4 SVM biner dengan metode One-against-all
yi = 1
Kelas 1
Kelas 2
Kelas 3
Kelas 4
yi = -1
Bukan Kelas 1
Bukan Kelas 2
Bukan Kelas 3
Bukan Kelas 4
Hipotesis
f 1(x) = (w1)x + b1
f 2(x) = (w2)x + b2
f 3(x) = (w3)x + b3
f 4(x) = (w4)x + b4
Gambar 1. Contoh klasifikasi dengan metode One-against-all
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 29
ISSN cetak 2087-1716
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
Prosedur penelitian digambarkan dalam beberapa tahap seperti berikut:
-
Akusisi Citra
Gambar asli plasmodium falciparum
Pre-processing
Ekstrasi Ciri
-
Menggunakan metode SVM
Plasmodium Falciparum
Terdeteksi sesuai tingkat stadiumnya
Gambar 2. Tahapan Penelitian
2.2. Akusisi Citra
Tahap awal dimana sampel darah diambil dari prepared melalui mikroskop dalam bentuk image
(gambar) Plasmodium falciparum yang terinfeksi malaria.
Gambar 3. Proses Akusisi Citra dari prepared
2.3. Pre-processing
Proses preprocessing sebelum proses klasifikasi melalui 2 tahapan, yaitu segmentasi warna dan
ekstraksi ciri. Segmentasi dilakukan untuk memisahkan unsur warna berdasarkan intensitas warna dan
pada tahapan ini akan dilakukan konversi sampel citra RGB ke citra grayscale. Pada Matlab kita
menggunakan perintah “dst=rgb2gray(src), dst itu adalah variabel citra keluaran dari citra konversi ke
gray dan “src” merupakan variable citra masukan dalam hal ini adalah citra RGB. Setelah citra RGB
dikonversi ke citra grayscale kemudian dilakukan resize. Pada Matlab digunakan
perintah”dst=imresize(x y) dimana x dan y adalah 150 x 150 ukuran resize. Untuk pempercepat proses
trainning reshape(1 x 150 x 150) hal ini berarti matriks 150 x 150 diubah kedalam matriks 1 x 22500.
Prosesnya RGB dapat dilihat pada gambar dibawah ini:
Gambar 4. Proses konversi menjadi grayscale
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 30
ISSN cetak 2087-1716
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
2.4. Ekstraksi Ciri
Menggunakan image preprocessing citra dengan median filter,ekstraksi fitur berdasarkan tekstur.
Klasifikasi jenis plasmodium penyebab penyakit malaria dengan metode Support Vector Machine (SVM)
agar dapat mendeteksi jenis plasmodium.
Gambar 5. Thresholding untuk identifikasi Parasit
3.
Hasil dan Pembahasan
Penentuan kelas untuk klasifikasi diambil dari nama file image training, kemudian untuk klasifikasi
dengan menggunakan multi class SVM. Sistem klasifikasi diuji dengan perbandingan 50%:50%,
60%:40%, 70%:40%, dan 80%:20%. Berdasarkan total citra untuk data latih sebanyak 120 dan untuk
data uji sebanyak 30 mendapatkan tingkat akurasi tertinggi 73,33%. Ini berarti bahwa semakin banyak
jumlah total citra untuk sampel data latih akan berpengaruh dan meningkatkan tingkat akurasi deteksi
stadium dari Plasmodium Falciparum.
Tabel 2 Nilai Akurasi
No
1
2
3
4
Data Sampel
Latih
Uji
50 %
50 %
60 %
40 %
70 %
30 %
80 %
20 %
Tertinggi
66,66 %
70,00 %
71,11 %
73,33 %
Akurasi
Terendah
53,33 %
58,33 %
57,77 %
60,00 %
Sistem klasifikasi diuji dengan perbandingan 80%:20% menghasilkan tingkat akurasi terbaik
dapat dilihat pada Tabel 2. berdasarkan total citra untuk data latih sebanyak 120 dan untuk data uji
sebanyak 30 mendapatkan tingkat akurasi tertinggi 73,33%. Ini berarti bahwa semakin banyak jumlah
total citra untuk sampel data latih akan berpengaruh dan meningkatkan tingkat akurasi deteksi stadium
dari Plasmodium Falciparum.
Dari hasil tersebut belum mencukupi 100%. Karena ada beberapa faktor yang mempengaruhi
hasil klasifikasi dimana dari hasil pengujian yang dilakukan terdapat adanya kesalahan deteksi
disebabkan oleh adanya faktor pewarnaan pada citra prepared yang kurang bagus, sehingga sistem
tidak meggenali parasit dari plasmodium falciparum pada saat diuji.
4.
Kesimpulan
Berdasarkan hasil penelitian dan pengujian sistem yang dilakukan, maka penulis dapat menarik
kesimpulan yaitu Hasil deteksi dari plasmodium falciparum dengan jumlah data sampel keseluruhan
sebanyak 150 citra plasmodium falciparum yang terdiri dari 120 citra latih dan 30 citra uji dengan
perbandingan 80% : 20%, dengan SVM menunjukkan tingkat akurasi sebesar 73,33%.
Dari hasil penelitian dengan nilai tingkat akurasi sebesar 73,33% dengan perbandingan
presentasi sampel data dan uji yaitu: 50%:50%, 60%:40%, 70%:30%, dan 80%:20% belum
mendapatkan hasil yang maksimal atau belum mencapai 100% karena pada penelitian ini masih dalam
tahapan analisis. Sehingga masih ada penelitian lanjutan dengan menerapkan teknologi terapan untuk
pemeriksaan plasmodium falciparum dalam menentukan stadiumnya dengan cepat dan akurat.
5. Terima Kasih
Terima kasih kepada Direktorat Riset dan Pengabdian kepada Masyarakat (DRPM) Direktorat
Jenderal Penguatan Riset dan Pengembangan (DPRP) Kementrian Riset, Teknologi dan Pendidikan
Tinggi (Kemenristek DIKTI) Republik Indonesia yang telah memberikan dana hibah Penelitian Dosen
Pemula Tahun Anggaran 2017.
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 31
ISSN cetak 2087-1716
ISSN online 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 1 April 2018
Daftar Pustaka
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
Widoyono, 2010. ”Penyakit Tropis: Epidemiologi, Penularan, Pencegahan dan
Pemberantasannya”. Penerbit Erlangga. Halaman 13-21.
Direktorat pengendalian penyakit bersumber bintang, Direktorat Jenderal PP dan PL Kementrian
Kesehatan RI, 2011. Pedoman Teknis Pemeriksaan Parasit Malaria. Penerbit Bakti Husada.
Departemen Parasitologi Medis US Namru-2 Jakarta, 2006. “Buku Panduan Pelatihan Diagnosis
Mikroskopi Malaria”.
Iis Hamsir Ayub, Adhi Susanto, and Litasari, 2008. Classfication of Plasmodium Falciparum using
Learning Vector Quantization Neural Network. BME Day 2008, Surabaya : 17
NA, Banyal dan AR, Dayat. 2017. Analisis Perkembangbiakan Plasmodium Penyebab Penyakit
Malaria dalam Sel Darah Merah Manusia dengan Menggunakan Support Vector Machine (SVM)
di Kota Jayapura. SEMNASTIKOM. 03 November 2017. Makassar. Hal. 221-225.
Nugroho, Anto Satriyo, 2008, Support Vector Machine, PTI & Komunikasi BPP Teknologi,
Bandung.
T. Suyoto, Edy Mulyanto, Vincent Suhartono, Oky Dwi Nurhayati, Wijanarto, 2009, Teori
Pengolahan Citra Digital, Edisi pertama, Penerbit Andi Offset, Yogyakarta.
Wahyudi Setiawan, 2012. “Sistem Deteksi Retinopati Diabetik Menggunakan Support Vector
Machine”.
Juni Prianto L.A., Tjahaya. P. U., Darwanto. Atlas Parasitologi Kedokteran. Penerbit PT Gramedia
Pustaka utama.
Copyright © 2018 – ILKOM Jurnal Ilmiah -- All rights reserved | 32